Usiamo cookie tecnici e il registro anonimo delle visite di Zorky. Yandex Metrica (dati conservati su server in Russia) funziona solo con il tuo consenso. Non vendiamo mai dati. Ulteriori informazioni su cookie e statistiche.
Zorky è in modalità test: è tutto gratuito. Le offerte e le pagine delle aziende sono aperte a tutti; i link agli annunci e la tua selezione personale si aprono dopo la registrazione. Registrati →

Visione artificiale: mercato

Dati al 19 novembre 2026: posizioni aperte Visione artificiale — 303, il 24% da remoto tra gli annunci che indicano la modalità di lavoro; retribuzione mediana negli annunci $10.927/mese (da 36 annunci con retribuzione indicata). Fonte: Zorky, aggiornato ogni giorno.

Computer Vision Engineer (CV): disciplina sorella dell'NLP nella famiglia del ML, focalizzata sull'elaborazione di immagini e video (non di testo). Un'area matura (dagli anni 1960), ricostruita dal deep learning nel 2012 (AlexNet) → transformer 2020–2021 (ViT) → foundation model 2023–2024 (DINOv2 / SAM / CLIP) → il boom generativo 2022–2026 (Stable Diffusion / FLUX). Focus dei compiti: classificazione delle immagini, rilevamento degli oggetti (YOLO + Detectron2 + DETR), segmentazione semantica / di istanza / panottica (SAM + Mask R-CNN), OCR (PaddleOCR + EasyOCR + Tesseract legacy), riconoscimento facciale + biometria, comprensione video (riconoscimento delle azioni + tracciamento: ByteTrack / DeepSORT), multimodale (CLIP + GPT-4V + Claude vision + Gemini Vision), visione 3D (NeRF + Gaussian Splatting + structure-from-motion), immagini / video generativi (Stable Diffusion / FLUX / famiglia Sora), deployment su edge (TensorRT + ONNX + CoreML + OpenVINO). Famiglia di ruoli: Computer Vision Engineer (generale: pipeline CV in produzione), Senior CV Engineer (responsabilità di più compiti CV + architetture personalizzate), ML Research CV (percorso accademico: paper a CVPR / ICCV / ECCV; sovrapposizione con Research Engineer / Scientist), 3D Vision Engineer (NeRF / Gaussian Splatting / nuvole di punti: in crescita dal 2024+), Generative AI Engineer (Image / Video) (specializzazione Stable Diffusion / FLUX / Runway / Pika / Kling; sovrapposizione con ai-engineer), Edge CV Engineer (specializzazione TensorRT + deployment mobile), Robotics Vision Engineer (SLAM + percezione per robot / sistemi autonomi). Stack 2026: Python (prevalente: alcuni componenti edge in C++/Rust). PyTorch + torchvision (la base: il 90%+ della ricerca CV su PyTorch nel 2026), OpenCV (CV classica: ancora enorme per la pre-elaborazione + algoritmi tradizionali), Pillow (manipolazione delle immagini). Self-supervised + foundation model: DINOv2 (Meta: il miglior backbone visivo 2024), CLIP + OpenCLIP + SigLIP (visione-linguaggio). Backbone di classificazione: famiglia ViT, Swin Transformer, ConvNeXt (CNN moderna), EfficientNet, timm (PyTorch Image Models: modelli pre-addestrati, libreria indispensabile). Data augmentation: albumentations (standard del settore: veloce + completa), torchvision.transforms.v2 (moderna), RandAugment + AugMix. LLM multimodali: GPT-4V, Claude 3.5 Sonnet vision, Gemini 1.5 Pro / 2.0, LLaVA + Qwen 2 VL + InternVL (visione-linguaggio open source). OCR: PaddleOCR (Baidu: leader multilingue 2026), EasyOCR, Tesseract (legacy ancora diffuso), Docling (IBM: comprensione moderna dei documenti, 2024+), Surya. Riconoscimento facciale: InsightFace (SOTA open source 2026: ArcFace + RetinaFace), DeepFace, face_recognition. Riconoscimento facciale russo: NtechLab FaceNGN / VisionLabs Luna / Tevian. Tracciamento video: ByteTrack (il più veloce 2026), DeepSORT (classico), BoT-SORT, StrongSORT. Modelli video: VideoMAE, X-CLIP, InternVideo. Visione 3D: NeRF (originale 2020), Instant-NGP (NVIDIA: 100× più veloce), Gaussian Splatting (3DGS) (in crescita 2023–2026: rendering fotorealistico), Nerfstudio (framework unificato), Open3D (elaborazione di nuvole di punti), PyTorch3D (Meta). Video generativo: Runway Gen-3, Pika 1.5, Kling AI (Kuaishou), Sora (OpenAI), AnimateDiff + SVD (open source). Generativi russi: Sber Kandinsky 3. Interfacce: ComfyUI (a nodi: la preferita della ricerca), Automatic1111 (interfaccia web legacy). Fine-tuning generativo: LoRA + DreamBooth per Stable Diffusion / FLUX. Serving dell'inferenza: Triton Inference Server (NVIDIA: multi-framework + batching dinamico), BentoML, TorchServe. Annotazione: CVAT (OpenCV: standard del settore per rilevamento / segmentazione), Label Studio, V7 Darwin (commerciale), Roboflow (popolare per la prototipazione rapida). Dataset: COCO + ImageNet + OpenImages + LAION-5B + Objects365 + Visual Genome. Secondo Zorky, 303 offerte attive con specificità CV esplicita (il bacino reale è molto più ampio: molti ruoli CV sono classificati come ML Engineer / Backend / Robotics generici). Stack principale: python, pytorch, c++, opencv, tensorflow. Tra le offerte con modalità di lavoro indicata, il 24% è da remoto.

Dati al:

I numeri chiave del mercato Visione artificiale: annunci aperti, retribuzione mediana, bacino di specialisti osservato e quota di remoto.

303
offerte aperte — per titolo dell'offerta, ripubblicazioni unite
$10.927
mediana $/mese
24%
da remoto

Il mercato Visione artificiale ha al momento 303 ruoli aperti, di cui 275 osservati di recente. Median salary $10.927/mo.

Tra le offerte con modalità di lavoro indicata, il 24% è da remoto. Il lavoro sulla CV è completamente basato sul cloud come standard. Le aziende di outsourcing: quasi sempre da remoto. Le banche russe: ibrido/in sede. Le aziende di veicoli autonomi: i ruoli di ricerca sono spesso da remoto, il deploy richiede la presenza in sede (Pittsburgh / Mountain View / Palo Alto). Le aziende di IA generativa: full remote come standard. La CV delle Big Tech: ibrido come standard.

⚠ stipendio noto per 36 offerte su 303; quota di lavoro da remoto da 244 con modalità indicata; 275 conteggiate come osservazioni recenti; tendenza e difficoltà di assunzione non sono mostrate

Cronologia: annunci e fonti

Quanti annunci Visione artificiale sono comparsi ogni settimana dal 1 giu e da quante fonti. Il grafico inferiore separa la crescita del mercato dalla crescita della nostra copertura: un salto nella settimana in cui sono state collegate nuove fonti significa che abbiamo iniziato a vedere di più, non che il mercato è cresciuto.

Nuovi annunci a settimana

Dati del grafico
Nuovi annunci a settimana. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
PeriodoNuovi annunci a settimana
2026-06-0111
2026-06-0813
2026-06-156
2026-06-2225
2026-06-2923
2026-07-0647
2026-07-1350
2026-07-2023
2026-07-2723
2026-08-0327
2026-08-1017
2026-08-1713
2026-08-2425
2026-08-3115
2026-09-0725
2026-09-1430
2026-09-2166
2026-09-2832
2026-10-0542
2026-10-12157
2026-10-1971
2026-10-2661
2026-11-0272
2026-11-0952

Fonti attive a settimana

Fonti nel periodo: 118. ▲ — settimana in cui sono state collegate molte nuove fonti.

Dati del grafico
Fonti attive a settimana. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
PeriodoFonti attive
2026-06-018
2026-06-088
2026-06-154
2026-06-2212
2026-06-2915
2026-07-0620
2026-07-1324
2026-07-2017
2026-07-2719
2026-08-0314
2026-08-1010
2026-08-1710
2026-08-2413
2026-08-3112
2026-09-0713
2026-09-1413
2026-09-2122
2026-09-2820
2026-10-0524
2026-10-1227
2026-10-1933
2026-10-2624
2026-11-0234
2026-11-0929
Nuove fonti collegate: 6 lug +14 · 13 lug +10 · tutte le settimane (22) nella tabella
SettimanaNuove fontiNuovi annunci
8 giu+513
15 giu+16
22 giu+825
29 giu+723
6 lug+1447
13 lug+1050
20 lug+423
27 lug+423
3 ago+527
10 ago+217
17 ago+213
24 ago+125
31 ago+215
7 set+425
21 set+666
28 set+132
5 ott+642
12 ott+8157
19 ott+671
26 ott+461
2 nov+672
9 nov+452

La settimana corrente non è ancora finita e non è mostrata: una settimana incompleta sembrerebbe un calo.

Settimana = data di prima rilevazione dell'annuncio, tutti gli stati; gli annunci sono selezionati con la stessa regola del contatore di questa pagina. Le fonti sono canali di raccolta distinti; i loro nomi non vengono pubblicati.

Dati del grafico
Cronologia: annunci e fonti — Visione artificiale. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
SettimanaNuovi annunci a settimanaFonti attive
2026-06-01118
2026-06-08138
2026-06-1564
2026-06-222512
2026-06-292315
2026-07-064720
2026-07-135024
2026-07-202317
2026-07-272319
2026-08-032714
2026-08-101710
2026-08-171310
2026-08-242513
2026-08-311512
2026-09-072513
2026-09-143013
2026-09-216622
2026-09-283220
2026-10-054224
2026-10-1215727
2026-10-197133
2026-10-266124
2026-11-027234
2026-11-095229

Stipendi nel tempo

Stipendio mediano Visione artificiale per settimana, USD al mese.

Stipendio mediano, USD al mese

Dati del grafico
Stipendio mediano, USD al mese. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
PeriodoMedianaAnnunci con stipendio per settimana (n)
2026-10-2613.95810
2026-11-02919215
2026-11-0911.93810

La serie inizia il 26 ott: prima non ci sono dati.

Annunci con stipendio per settimana (n)

Solo annunci con stipendio in USD e periodo noto (mese o anno), da 500 a 50.000 $ al mese. Le settimane con meno di 10 annunci di questo tipo sono lasciate vuote: significa nessun dato, non zero.

Dati del grafico
Stipendi nel tempo — Visione artificiale. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
SettimanaMediana
2026-06-01—
2026-06-08—
2026-06-15—
2026-06-22—
2026-06-29—
2026-07-06—
2026-07-13—
2026-07-20—
2026-07-27—
2026-08-03—
2026-08-10—
2026-08-17—
2026-08-24—
2026-08-31—
2026-09-07—
2026-09-14—
2026-09-21—
2026-09-28—
2026-10-05—
2026-10-12—
2026-10-19—
2026-10-2613.958
2026-11-029192
2026-11-0911.938

Il lavoro da remoto nel tempo

Quota di annunci Visione artificiale che offrono lavoro completamente da remoto, per settimana.

Annunci da remoto, %

Dati del grafico
Annunci da remoto, %. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
PeriodoDa remoto
2026-06-2231,2
2026-06-2923,1
2026-07-0647,4
2026-07-1321,4
2026-07-209,1
2026-07-2730,8
2026-08-0330,4
2026-08-1035,7
2026-08-1725
2026-08-2430
2026-08-31—
2026-09-0722,7
2026-09-1425
2026-09-2122
2026-09-2833,3
2026-10-0539,4
2026-10-1223,4
2026-10-1925,5
2026-10-2626,8
2026-11-0229,1
2026-11-0931,6

La serie inizia il 22 giu: prima non ci sono dati.

La quota è calcolata tra gli annunci che indicano la modalità (remoto, ibrido, ufficio). Le settimane con meno di 10 annunci di questo tipo sono lasciate vuote.

Dati del grafico
Il lavoro da remoto nel tempo — Visione artificiale. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
SettimanaDa remoto
2026-06-01—
2026-06-08—
2026-06-15—
2026-06-2231,2
2026-06-2923,1
2026-07-0647,4
2026-07-1321,4
2026-07-209,1
2026-07-2730,8
2026-08-0330,4
2026-08-1035,7
2026-08-1725
2026-08-2430
2026-08-31—
2026-09-0722,7
2026-09-1425
2026-09-2122
2026-09-2833,3
2026-10-0539,4
2026-10-1223,4
2026-10-1925,5
2026-10-2626,8
2026-11-0229,1
2026-11-0931,6

Tecnologie nel tempo

Come è cambiata la quota di offerte Visione artificiale che citano ciascuna delle tecnologie principali.

Annunci che citano la tecnologia, %

Dati del grafico
Annunci che citano la tecnologia, %. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
PeriodoPythonpytorchC++
2026-09-21563232
2026-09-2865,260,943,5
2026-10-055042,315,4
2026-10-1265,551,234,5
2026-10-1976,957,742,3
2026-10-2666,752,145,8
2026-11-0274,142,640,7
2026-11-0965,847,444,7

La serie inizia il 21 set: prima non ci sono dati.

Fino a 5 nel grafico:

Quota tra gli annunci con stack taggato; la serie inizia il 10 ago: prima i tag dello stack erano assegnati diversamente. Le settimane con meno di 20 annunci taggati sono lasciate vuote.

Dati del grafico
Tecnologie nel tempo — Visione artificiale. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
SettimanaPythonpytorchC++opencvcloud
2026-08-10—————
2026-08-17—————
2026-08-24—————
2026-08-31—————
2026-09-07—————
2026-09-14—————
2026-09-215632322044
2026-09-2865,260,943,556,58,7
2026-10-055042,315,423,115,4
2026-10-1265,551,234,517,919
2026-10-1976,957,742,334,625
2026-10-2666,752,145,85027,1
2026-11-0274,142,640,727,814,8
2026-11-0965,847,444,731,626,3

Paesi nel tempo

Come è cambiata ogni settimana la quota di offerte Visione artificiale in ciascuno dei paesi principali.

Annunci nel paese, %

Dati del grafico
Annunci nel paese, %. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
PeriodoUSARussiaRegno Unito
2026-06-221640
2026-06-291555
2026-07-0655,65,62,8
2026-07-1339,117,42,2
2026-07-20202010
2026-07-27———
2026-08-0318,222,731,8
2026-08-10———
2026-08-17———
2026-08-2443,58,713
2026-08-31———
2026-09-0720,88,316,7
2026-09-1426,104,3
2026-09-2137,22,34,7
2026-09-2814,310,73,6
2026-10-0533,316,70
2026-10-1217,814
2026-10-1917,213,812,1
2026-10-2634,53,413,8
2026-11-0224,68,812,3
2026-11-0923,42,119,1

La serie inizia il 22 giu: prima non ci sono dati.

Fino a 5 nel grafico:

Quota tra gli annunci con paese noto; il grafico mostra i cinque paesi con più annunci in sei mesi. Le settimane con meno di 20 annunci con paese noto sono lasciate vuote. Una quota in crescita può indicare una fonte appena collegata in quel paese, non una crescita del mercato.

Dati del grafico
Paesi nel tempo — Visione artificiale. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
SettimanaUSARussiaRegno UnitoGermaniaUcraina
2026-06-01—————
2026-06-08—————
2026-06-15—————
2026-06-22164000
2026-06-29155550
2026-07-0655,65,62,82,88,3
2026-07-1339,117,42,22,28,7
2026-07-2020201000
2026-07-27—————
2026-08-0318,222,731,804,5
2026-08-10—————
2026-08-17—————
2026-08-2443,58,71300
2026-08-31—————
2026-09-0720,88,316,700
2026-09-1426,104,300
2026-09-2137,22,34,779,3
2026-09-2814,310,73,67,114,3
2026-10-0533,316,708,35,6
2026-10-1217,81410,92
2026-10-1917,213,812,15,25,2
2026-10-2634,53,413,810,312,1
2026-11-0224,68,812,370
2026-11-0923,42,119,112,80

Mercato pulito: indice di assunzione

Gli stessi 7505 siti di lavoro dei datori di lavoro; il numero di annunci viene dal sito stesso. Collegare nuove fonti non muove questo indice: mostra il mercato, non la nostra copertura. È l'intero mercato del panel, non solo Visione artificiale.

Indice delle assunzioni, 16 ott = 100

Dati del grafico
Indice delle assunzioni, 16 ott = 100. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
PeriodoIndice delle assunzioni
2026-10-16100
2026-10-17100,03
2026-10-1899,76
2026-10-1999,68
2026-10-2099,27
2026-10-2198,6
2026-10-2299,07
2026-10-2397,4
2026-10-2497,41
2026-10-2697,33
2026-10-2796,76
2026-10-2896,21
2026-10-2995,17
2026-10-3095,13
2026-10-3193,65
2026-11-0193,33
2026-11-0292,67
2026-11-0392,65
2026-11-0492,41
2026-11-0592,13
2026-11-0690,44
2026-11-0790,48
2026-11-0890,45
2026-11-1090,29
2026-11-1190,22
2026-11-1390,12
2026-11-1489,7
2026-11-1589,68
2026-11-1689,62
2026-11-1888,91
2026-11-1988,02

Indice a catena: ogni giorno confronta solo i siti interrogati sia quel giorno sia il precedente; valori anomali e interruzioni di interrogazione di un'intera piattaforma sono esclusi. I giorni senza coppie confrontabili sono lasciati vuoti.

Dati del grafico
Mercato pulito: indice di assunzione — Visione artificiale. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
GiornoIndice delle assunzioni
2026-10-16100
2026-10-17100,03
2026-10-1899,76
2026-10-1999,68
2026-10-2099,27
2026-10-2198,6
2026-10-2299,07
2026-10-2397,4
2026-10-2497,41
2026-10-2697,33
2026-10-2796,76
2026-10-2896,21
2026-10-2995,17
2026-10-3095,13
2026-10-3193,65
2026-11-0193,33
2026-11-0292,67
2026-11-0392,65
2026-11-0492,41
2026-11-0592,13
2026-11-0690,44
2026-11-0790,48
2026-11-0890,45
2026-11-1090,29
2026-11-1190,22
2026-11-1390,12
2026-11-1489,7
2026-11-1589,68
2026-11-1689,62
2026-11-1888,91
2026-11-1988,02

Quanti annunci Visione artificiale aperti ci sono e quanti specialisti adatti osserva Zorky.

Domanda e offerta osservata

Dati del grafico
Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
IndicatoreValore
Domanda aperta303
Domanda aperta303
Offerta osservata— non pubblicato

CV: un'area matura dell'ML (dagli anni 1960), ricostruita dal deep learning nel 2012 → transformer 2020 → foundation model 2023–2024 (DINOv2 / SAM 2) → il boom generativo 2022–2026 (Stable Diffusion / FLUX / Sora). Il pool è piccolo nel nostro campione: il mercato reale è più ampio grazie alla sovrapposizione con l'ML generale / la robotica.

⚠ i candidati adatti a un'offerta non sono ancora conteggiati: sono mostrate la domanda e la banca dati osservata

Come si distribuiscono le retribuzioni negli annunci Visione artificiale, in dollari USA al mese.

Distribuzione degli stipendi

P25 $7500 · P50 $10.927 · P75 $15.208
Dati del grafico
Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
IndicatoreValore
<$1k0
$1–2k0
$2–3k2
$3–4k1
$4–5k2
$5–6k1
$6–7k2
$7–8k2
$8–9k2
$9–10k2
$10–12k5
$12–15k6
$15–20k10
$20k+1
Stipendio negli annunci: base 303
  • utilizzabile per il calcolo: 36 (11,9%)
  • indicato ma non convertito in USD/mese: 30 (9,9%)
  • non indicato: 237 (78,2%)

Un annuncio su dieci offre meno di $4625, uno su dieci più di $18.877. La metà degli annunci offre tra $7500 e $15.208. Campione: 36.

Dati del grafico
Distribuzione degli stipendi — Visione artificiale. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
IndicatoreLimite inferioreLimite superioreNumero
<$1k010000
$1–2k100020000
$2–3k200030002
$3–4k300040001
$4–5k400050002
$5–6k500060001
$6–7k600070002
$7–8k700080002
$8–9k800090002
$9–10k900010.0002
$10–12k10.00012.0005
$12–15k12.00015.0006
$15–20k15.00020.00010
$20k+20.000—1

In quali paesi ci sono più annunci Visione artificiale aperti.

Geografia della domanda

paeseoffertequota
Stati Uniti8933,8%
Germania238,7%
Regno Unito186,8%
Polonia124,6%
Ucraina124,6%
Russia103,8%
Singapore93,4%
Canada72,7%
Kazakistan72,7%
India72,7%
Altri paesi6926,2%

Il leader per numero di offerte CV Engineer sono gli Stati Uniti (89 posizioni). La Polonia è un hub UE favorevole alla CV. Germania: IA a Berlino + automotive a Monaco (team di guida autonoma di BMW / Mercedes AI / Bosch / Continental). Regno Unito: Londra (guida autonoma Wayve + Tractable). USA: Bay Area + Pittsburgh (cluster dei veicoli autonomi) + Boston (area robotica del MIT). Enorme remoto internazionale tramite aziende di veicoli autonomi (Tesla / Waymo / Cruise / Wayve / Pony.ai / Zoox / Aurora) + IA generativa (Stability / Black Forest Labs / Runway / Pika / Kling) + CV delle Big Tech + startup CV di Y Combinator.

⚠ solo numero di offerte: lo stipendio per paese non è pubblicato

Dati del grafico
Geografia della domanda — Visione artificiale. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
PaeseOfferte
US89
DE23
GB18
PL12
UA12
RU10
SG9
CA7
KZ7
IN7

Quali tecnologie sono richieste più spesso nello stesso annuncio di Visione artificiale.

Si usa insieme a

python
16454,1%
pytorch
11638,3%
c++
9932,7%
opencv
8026,4%
cloud
5116,8%
tensorflow
5116,8%
docker
4314,2%
mlops
289,2%
numpy
227,3%
transformers
206,6%

Quota: quanti dei 303 annunci del mercato Visione artificiale citano questa tecnologia. Ordinato per numero di annunci, non per «forza dell’associazione». Termini generici come cloud non indicano un cloud specifico (AWS, Azure).

Russi: NtechLab FaceNGN + VisionLabs Luna + Tevian + RecFaces, video tracking: ByteTrack (il più veloce) + DeepSORT + BoT-SORT + StrongSORT + MOTRv2. Modelli video: VideoMAE + X-CLIP + InternVideo, visione 3D: NeRF + Instant-NGP (NVIDIA) + Gaussian Splatting (in crescita 2023–2026) + Nerfstudio + Open3D + PyTorch3D (Meta) + Kaolin (NVIDIA) + COLMAP (SfM) + Mitsuba 3, generativi: Stable Diffusion SDXL/SD3/SD3.5 + FLUX.1 (Black Forest Labs) + DALL-E 3 + Imagen 3 + Midjourney v6 + Ideogram. Video: Runway Gen-3 + Pika 1.5 + Kling + Sora + AnimateDiff + SVD.

Coppie comuni: Python + PyTorch + torchvision + OpenCV (base della CV classica), Ultralytics YOLO + albumentations + CVAT (pipeline di rilevamento in produzione), Detectron2 + MMDetection + timm (stack flessibile per la ricerca), SAM 2 + ByteTrack + DeepSORT (comprensione video + tracking), DINOv2 + CLIP + LLM multimodale (stack di foundation model + visione-linguaggio), Stable Diffusion + FLUX + ComfyUI + LoRA / DreamBooth (stack di immagini generative), NeRF + Gaussian Splatting + Nerfstudio + COLMAP + Open3D (stack di visione 3D), PyTorch + ONNX + TensorRT + CoreML (stack di deploy edge), NVIDIA DeepStream + Triton + Kubernetes (video analytics in produzione). Roadmap di apprendimento: basi matematiche → Python + basi di ML → CV classica con OpenCV → Stanford CS231n → PyTorch + torchvision + timm → Ultralytics YOLO + Detectron2 → SAM + DINOv2 → LLM multimodali → percorso generativo (SD/FLUX/ComfyUI) → visione 3D (NeRF/3DGS) → pratica di deploy edge (TensorRT/CoreML) → strumenti di annotazione (CVAT) → portfolio di progetti personali (4 demo).

Dati del grafico
Si usa insieme a — Visione artificiale. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
NomeNumero
python164
pytorch116
c++99
opencv80
cloud51
tensorflow51
docker43
mlops28
numpy22
transformers20
fine-tuning18
aws16

Quanti annunci Visione artificiale ci sono per ogni livello, da junior a principal.

Domanda per livello

livelloofferte
senior87
junior26
middle25
principal16
lead12

Junior: ingresso tipico: MS / PhD in CV / Robotica + portfolio (competizioni CV su Kaggle / progetti CV su GitHub). Percorso di carriera: Backend Senior / ML Middle (2-3 anni) + interesse per la CV + portfolio → CV Engineer Junior (1-2 anni) → Middle (2-3 anni) → Senior → oppure 3D Vision Engineer (NeRF / Gaussian Splatting), Edge CV Engineer (padronanza di TensorRT / CoreML), Generative AI Engineer (immagini/video), ML Research CV (paper accademici CVPR / ICCV / ECCV), o Autonomous Vehicle Perception Engineer. Numeri basati su un campione piccolo: per riferimenti più ampi vedi le pagine ml-engineer / research.

⚠ solo lato domanda: il livello della banca dati osservata è ignoto per la maggior parte

Dati del grafico
Domanda per livello — Visione artificiale. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
LivelloNumero
senior87
junior26
middle25
principal16
lead12

Chi assume di più per Visione artificiale e quanto la domanda è concentrata nelle aziende più grandi.

Datori di lavoro

La domanda è distribuita tra 220 datori di lavoro. Il maggiore ne concentra il 2.5%, i primi dieci il 15.4%; il restante 84.6% è coda lunga.

il più grande 2,5%2°–3° 4,2%4°–10° 8,8%gli altri 84,6%
quotavalore
top-12.5%
top-36.7%
top-1015.4%
coda lunga84.6%

⚠ i nomi non sono mostrati: il classificatore non distingue ancora le agenzie di selezione dai datori di lavoro finali

Da quali siti aziendali e portali di lavoro Zorky raccoglie gli annunci Visione artificiale.

Dove Zorky vede questo mercato

Osservato su 53 fonti; la maggiore ne concentra il 12.9%: questo mercato non dipende da un solo canale.

Dati del grafico
Dove Zorky vede questo mercato — Visione artificiale. Tabella dei dati della sezione. Un valore mancante non è zero; unità e campione sono indicati nella descrizione dell’indicatore.
ClasseNomeNome ingleseNumeroQuota
atsATS и карьерные сайтыATS e siti carriere2040,6733
boardджоб-борды и агрегаторыportali di lavoro e aggregatori840,2772
telegramTelegramTelegram110,0363
communityсообщества и публичные профилиcommunity e profili pubblici40,0132

Gli annunci Visione artificiale più recenti dalle pagine carriere delle aziende.

Posizioni recenti

Tutte le offerte →

Le ultime offerte Computer Vision Engineer aperte: le posizioni più recenti nel campione (bacino ristretto di ruoli CV espliciti; il mercato reale è più ampio grazie alla sovrapposizione con ml-engineer / robotica). L'elenco completo è nel nostro CRM o tramite il link «vedi tutte» qui sotto. Per una visione più ampia vedi le pagine ml-engineer + ai-engineer.

Come si misura
Posizione
un'offerta aperta che ha superato il controllo di qualità e indica almeno due tecnologie
Candidato osservato
un candidato il cui stack contiene questa tecnologia; un dato aggregato: nessun singolo record esce dal perimetro
Candidato abbinabile
non ancora conteggiato
Finestra
offerte aperte nel momento in cui è stato creato lo snapshot

Sui dati

  • Alcuni dettagli sono nascosti: la loro copertura di dati non è ancora sufficiente.
  • Le statistiche vengono mostrate solo dove il campione supera un controllo di qualità.
  • L'assenza di un blocco non significa che il valore sia zero.

Dettagli attualmente nascosti: 8.

Area: IA / ML / Data Science

Specializzazioni correlate

All'interno di Computer Vision Engineer: CV Engineer (generale: pipeline CV in produzione), Senior CV Engineer (responsabilità multi-task + architetture personalizzate), ML Research CV (percorso accademico: CVPR / ICCV / ECCV, sovrapposizione con research), 3D Vision Engineer (NeRF / Gaussian Splatting / point cloud: in crescita 2024+), Generative AI Image/Video Engineer (Stable Diffusion / FLUX / Runway / Pika / Kling: sovrapposizione con ai-engineer), Edge CV Engineer (TensorRT + CoreML + deployment su mobile), Robotics Vision Engineer (SLAM + percezione per robot / sistemi autonomi). Confronto con ml-engineer/ai-engineer/nlp/data-scientist/research/mlops nella barra qui sotto.

Ingegnere IA / LLMScienziato dei datiIngegnere MLMLOpsIngegnere di elaborazione del linguaggio naturaleIngegnere di ricerca

Domande frequenti

Le domande più frequenti su Computer Vision Engineer: retribuzione (segmento premium per una competenza rara), CV vs ML vs AI Engineer (confronto a 3 + 5 distinzioni), stack di object detection 2026 (albero decisionale YOLO vs Detectron2 vs MMDetection vs DETR vs SAM), 3D Vision Engineer (sotto-specializzazione in crescita 2024+), remoto, come diventarlo (6-12 mesi da Backend / ML Middle + portfolio), competenze da Senior (PyTorch approfondito + padronanza di OpenCV + framework di detection / segmentazione + deployment edge + un dominio). Le risposte si ricalcolano automaticamente.

Quanto guadagna un CV Engineer Junior, Middle, Senior o Lead?

Numeri basati su un campione ridotto: per riferimenti più ampi vedi ML Engineer e Research Engineer / Scientist. Junior: ingresso tipico: MS / PhD in CV / Robotica + portfolio (competizioni CV su Kaggle, progetti CV su GitHub). Il salto Junior → Middle: dopo il primo deployment CV in produzione (funzionalità di detection / segmentation / classification rilasciata). Middle → Senior: ownership di una pipeline CV multi-task + competenza nel deployment edge o specializzazione in generative AI. Senior → Staff / Principal: strategia CV a livello di organizzazione + progettazione di architetture custom + percorso di pubblicazione di paper scientifici. Percorso di carriera: Senior Backend / Middle ML Engineer (2-3 anni) + interesse per la CV + portfolio → Junior CV Engineer (1-2 anni) → Middle (2-3 anni) → Senior → poi 3D Vision Engineer, Edge CV Engineer, Generative AI Engineer (immagini/video), oppure ML Research CV (paper di percorso accademico CVPR / ICCV / ECCV).

Quale stack viene richiesto più spesso per CV Engineer?

I principali nel 5: python, pytorch, c++, opencv, tensorflow. Python a fondo (per lo più; i componenti edge a volte in C++/Rust). Padronanza di OpenCV: operazioni CV classiche (cv2.findContours / cv2.HoughLines / Canny edge / morfologia / omografia / calibrazione della camera / stereo matching: indispensabili per il preprocessing + gli algoritmi tradizionali). Pillow (PIL: manipolazione delle immagini). Object detection / segmentazione: Ultralytics YOLO (YOLOv8/v9/v10/v11: standard del settore nel 2026, addestramento facile + buona documentazione), Detectron2 (Meta: livello di ricerca, più flessibile), MMDetection / MMSegmentation / MMPose (OpenMMLab: ecosistema enorme), famiglia DETR (RT-DETR in crescita nel 2026), SAM + SAM 2 (segmentazione universale). Self-supervised + foundation model: DINOv2 (Meta: il miglior backbone visivo nel 2024 per l'estrazione di feature), CLIP + OpenCLIP + SigLIP (allineamento visione-linguaggio), MAE (Masked Autoencoder). Backbone di classificazione: famiglia ViT, Swin Transformer, ConvNeXt, EfficientNet + MobileNet (efficienti), timm (modelli preaddestrati, libreria indispensabile). Data augmentation: albumentations (standard del settore: 30+ tipi di augmentation), torchvision.transforms.v2 (moderno, nativo PyTorch), RandAugment + AugMix + Mixup + CutMix. LLM multimodali: GPT-4V + visione di Claude 3.5 Sonnet + visione di Gemini 1.5/2.0 Pro + open source LLaVA + Qwen 2 VL + InternVL + Idefics2 + Molmo (il miglior multimodale aperto nel 2024). OCR: PaddleOCR (Baidu: leader multilingue nel 2026, 80+ lingue), EasyOCR, Tesseract (legacy ancora molto diffuso), Docling (IBM 2024: comprensione dei documenti), Surya, TrOCR (Microsoft, basato su transformer). Riconoscimento facciale: InsightFace (SOTA open source nel 2026: modelli ArcFace + RetinaFace + Buffalo), DeepFace, face_recognition. Russi: NtechLab FaceNGN / VisionLabs Luna / Tevian / RecFaces. Comprensione dei video + tracking: ByteTrack (il più veloce nel 2026), DeepSORT, BoT-SORT, StrongSORT, MOTRv2. Modelli video: VideoMAE, X-CLIP, InternVideo, MViT. Visione 3D: NeRF (originale 2020) + Instant-NGP (NVIDIA: 100× più veloce) + Gaussian Splatting (in crescita 2023–2026), Nerfstudio (framework unificato), Open3D (point cloud), PyTorch3D (Meta), Kaolin (NVIDIA), COLMAP (structure-from-motion), Mitsuba 3 (rendering differenziabile). Immagini / video generativi: famiglia Stable Diffusion (SDXL + SD3 + SD3.5), FLUX.1 (Black Forest Labs: detentore del record aperto 2024+), DALL-E 3 / Imagen 3 / Midjourney v6 / Ideogram. Video: Runway Gen-3 / Pika 1.5 / Kling AI / Sora / AnimateDiff / SVD. UI per il generativo: ComfyUI (basato su nodi: il preferito della ricerca), Automatic1111. Fine-tuning del generativo: LoRA + DreamBooth per Stable Diffusion / FLUX. Serving dell'inferenza: Triton Inference Server + BentoML + TorchServe. Annotazione: CVAT (OpenCV: standard del settore), Label Studio + V7 Darwin (commerciale) + Roboflow (prototipazione rapida). Dataset: COCO (benchmark di detection / segmentazione) + ImageNet (classificazione) + OpenImages + LAION-5B (addestramento generativo su scala web) + Objects365 + Visual Genome + ADE20K (segmentazione) + Cityscapes (guida autonoma). Ottimizzazione consapevole dell'hardware: quantizzazione (INT8 / FP16), pruning, distillazione, sparsità strutturata (per i tensor core NVIDIA Ampere+).

Computer Vision Engineer vs ML Engineer vs AI Engineer: qual è la differenza?

Tutti e tre i ruoli si sovrappongono nel 2026, ma le aree di focus sono diverse. ML Engineer: generalista, gestisce lo stack ML in produzione (recsys / antifrode / ranking / ML classico + LLM). Può lavorare con dati CV ma senza una specializzazione profonda. Vedi ML Engineer. AI Engineer / LLM Engineer: focus sull'integrazione degli LLM (orientato al testo). Vedi AI / LLM Engineer. NLP Engineer: focus su testo + voce. Vedi NLP Engineer. Computer Vision Engineer (questa pagina): focus su dati di immagini / video / 3D. Differenze: 1) Intuizione dell'elaborazione delle immagini: il CV Engineer capisce modelli di camera / distorsione delle lenti / spazi colore / analisi degli istogrammi / operazioni morfologiche: la base della CV classica. Di solito l'AI Engineer non sa nulla di tutto questo. 2) Vincoli computazionali: i modelli CV sono pesanti (gigabyte), la latenza dell'inferenza è critica (guida autonoma: obbligo di 30+ FPS), il deploy edge (padronanza di TensorRT / CoreML / OpenVINO) è territorio esclusivo della CV. 3) Specializzazione in immagini / video generativi: competenza nei workflow di Stable Diffusion / FLUX / ComfyUI: specifica della nicchia CV (si sovrappone all'AI Engineer per la generazione guidata dal testo). 4) Competenze di visione 3D: NeRF / Gaussian Splatting / point cloud / SLAM / calibrazione delle camere: esclusive della CV. 5) Competenza di dominio: i ruoli CV sono spesso legati a un settore specifico (veicoli autonomi / imaging medico / robotica / AR/VR / immagini satellitari / controllo qualità nella manifattura). Ogni dominio ha i suoi dataset + le sue regole. Cambi di carriera: ML Engineer Senior → CV Engineer: 4-8 mesi (servono OpenCV + Ultralytics + Detectron2 + albumentations + un dominio). CV Engineer Senior → ML Engineer: 2-4 mesi (passaggio laterale facile, aggiungendo MLOps + basi di LLM). CV Engineer Senior → AI Engineer (percorso LLM): 3-6 mesi. Sottospecializzazioni calde 2025–2026: visione 3D (Gaussian Splatting) / immagini e video generativi (FLUX + stile Sora) / multimodale (Vision-Language Model: LLaVA / Molmo).

Stack di object detection 2026: YOLO vs Detectron2 vs MMDetection vs DETR vs SAM?

Albero decisionale per rilevamento degli oggetti / segmentazione 2026: 1) Ultralytics YOLO (YOLOv8 / v9 / v10 / v11): la scelta predefinita 2026 per il rilevamento degli oggetti. Pro: addestramento facile (3-5 righe di codice), buona documentazione + community, inferenza veloce (in tempo reale su CPU + edge), ampio supporto al deployment (ONNX + TensorRT + CoreML + TFLite nativi). Contro: la licenza Ultralytics richiede AGPL o una licenza commerciale ($$) per l'uso proprietario, meno flessibile in ambito accademico rispetto a Detectron2 / MMDetection. 2) Detectron2 (Meta): di livello da ricerca. Pro: API pulita, flessibile (architetture personalizzate facili), licenza Apache 2.0 (adatta all'uso commerciale), sostenuto da Meta. Contro: addestramento più lento di Ultralytics, curva di apprendimento maggiore. Caso d'uso: architetture personalizzate complesse, progetti di ricerca, quando serve un controllo fine sul ciclo di addestramento. 3) MMDetection / MMSegmentation / MMPose (OpenMMLab: consorzio cinese): ecosistema enorme. Pro: 100+ architetture già implementate (vecchie e nuove), le implementazioni di riferimento dei paper arrivano sempre qui per prime, Apache 2.0. Contro: molto basato su configurazioni (curva di apprendimento ripida), community in lingua cinese a volte difficile per chi parla solo inglese, le dipendenze possono andare in conflitto. Caso d'uso: ricerca, confronto tra molte architetture, riproduzione di paper. 4) Famiglia DETR (rilevamento basato su transformer): il cambio di paradigma moderno 2020+. RT-DETR (Real-Time DETR: Baidu, in crescita dal 2024+, concorrente di YOLO nel tempo reale), DINO-DETR, Co-DETR. Pro: end-to-end (nessuna post-elaborazione NMS), spesso maggiore accuratezza su scene complesse. Contro: inferenza più lenta di YOLO, addestramento più esigente in termini di calcolo. Caso d'uso: esigenze di massima accuratezza, scene complesse (oggetti affollati). 5) SAM (Segment Anything Model: Meta 2023) + SAM 2 (versione video 2024): segmentazione universale. Caso d'uso: a) segmentazione zero-shot (segmentare qualsiasi cosa senza addestramento), b) strumento di annotazione interattiva (prompt con punto / riquadro → maschera), c) accelerazione dell'etichettatura dei dati (annotazione assistita da SAM 10× più veloce). Da combinare con YOLO / Detectron2: rilevatore → SAM per maschere precise. 6) Rilevamento classico (HOG + classificatori a cascata: OpenCV): solo per casi molto semplici, dispositivi edge senza GPU, microcontrollori a basso consumo (ancora rilevante negli scenari embedded). Raccomandazioni predefinite 2026: Deployment in produzione + uso commerciale → Ultralytics YOLO (se AGPL o una licenza commerciale vanno bene) OPPURE Detectron2 (alternativa Apache 2.0). Ricerca / riproduzione di paper → MMDetection. Massima accuratezza / scene complesse → RT-DETR o Co-DETR. Segmentazione universale / zero-shot → SAM 2. Accelerazione dell'annotazione → SAM + flussi interattivi (integrazione con CVAT). Edge / mobile → YOLO con TensorRT (NVIDIA) / CoreML (Apple) / TFLite (Android). Un Senior CV Engineer deve sapere quando usare cosa.

Quale percentuale delle offerte prevede lavoro da remoto?

Tra le offerte con modalità di lavoro indicata, il 24% è da remoto. Le offerte senza modalità indicata sono escluse dal denominatore; il lavoro ibrido non viene conteggiato come remoto.

In cosa si differenzia il 3D Vision Engineer (NeRF / Gaussian Splatting, in crescita 2024+)?

3D Vision Engineer: sotto-specializzazione all'interno della CV focalizzata sulla comprensione 3D + il rendering neurale. Il lavoro quotidiano: 1) Ricostruzione NeRF / Gaussian Splatting: video in ingresso → rappresentazione della scena 3D. Strumenti: Instant-NGP (NVIDIA: NeRF veloce) / Nerfstudio (framework unificato) / gsplat (libreria di Gaussian Splatting) / app Polycam per l'acquisizione. 2) Elaborazione delle nuvole di punti: dati LiDAR (veicoli autonomi) o telecamere di profondità (Kinect / RealSense). Strumenti: Open3D / PCL (Point Cloud Library) / PyTorch3D. 3) Structure-from-motion (SfM): più immagini 2D → scena 3D. Strumenti: COLMAP (lo standard del settore per la SfM). 4) SLAM (Simultaneous Localization and Mapping): robotica / AR: tracciare la posa della telecamera + costruire la mappa. Strumenti: ORB-SLAM3 / OpenVSLAM / Kimera. 5) Rendering differenziabile: imparare il 3D da una supervisione 2D. Strumenti: Mitsuba 3 / nvdiffrast / Kaolin. 6) Generazione 3D: testo → mesh 3D (DreamFusion + Magic3D + Zero-1-to-3) o immagine → 3D (TripoSR / InstantMesh: open source 2024+). 7) Elaborazione delle mesh: texturing / retopologia / UV unwrapping per le pipeline di contenuti 3D. Stack specifico: PyTorch3D (Meta: ricerca 3D), Kaolin (NVIDIA: DL 3D), Mitsuba 3 (rendering differenziabile), Open3D / PCL (nuvole di punti), COLMAP (SfM), Nerfstudio + gsplat (NeRF / 3DGS), Blender Python API (manipolazione delle mesh). Percorso di carriera: CV Engineer Senior + interesse per la computer grafica + portfolio pratico NeRF / 3DGS → 3D Vision Engineer: 6-12 mesi.

Da dove iniziare con Computer Vision nel 2026?

Roadmap: 1) Basi matematiche: algebra lineare + analisi + basi di geometria proiettiva (trasformazioni / omografie / modelli di camera). "Multiple View Geometry in Computer Vision" di Hartley / Zisserman: la bibbia della matematica per la CV (si può usare come riferimento, non serve leggerlo dall'inizio alla fine). 2) Python a fondo + basi di ML: PyTorch + NumPy + Matplotlib. Costruisci un semplice classificatore ML (MNIST). 3) Padronanza di OpenCV: operazioni di CV classica. Corso: "Computer Vision Course" di PyImageSearch (Adrian Rosebrock: il miglior ingresso in OpenCV), documentazione ufficiale + tutorial di OpenCV. Costruisci progetti personali: rilevamento dei bordi / panorama con omografia / rilevamento dei volti con le classiche cascate di Haar. 4) Deep Learning per la visione: Stanford CS231n "Convolutional Neural Networks for Visual Recognition" (Karpathy / Li: gratuito su YouTube + slide, da fare assolutamente, il corso canonico di deep learning per la CV). 5) Pratica con PyTorch + torchvision: addestra ResNet / EfficientNet su CIFAR-10, fai il fine-tuning di un modello pre-addestrato sul tuo dataset. Impara a usare la libreria timm (modelli pre-addestrati). 6) Rilevamento degli oggetti: pratica con Ultralytics YOLO (l'ingresso più facile: addestri YOLO su un dataset custom in un giorno). Poi Detectron2 (più flessibile). 7) Segmentazione: Mask R-CNN con Detectron2, poi SAM (segmentazione universale): prova la segmentazione interattiva. 8) Strumenti di annotazione: padronanza di CVAT (standard del settore per l'annotazione in CV). Annota un tuo dataset (10-50 immagini), addestraci sopra un detector. 9) Padronanza dell'augmentation: libreria albumentations (obbligatoria per la CV in produzione). Capisci la stabilità del training: un'augmentation forte migliora la robustezza. 10) Transformer moderni per la CV: Vision Transformer (ViT) + Swin Transformer + DINOv2 (foundation model). Supporto alla visione di Hugging Face Transformers. 11) LLM multimodali: prova GPT-4V + Claude vision + gli open source LLaVA / Qwen 2 VL per capirli. 12) Percorso di CV generativa (popolare 2024–2026): pratica con Stable Diffusion + FLUX, padronanza dei workflow ComfyUI, fine-tuning LoRA / DreamBooth. Corso: "Generative AI with Diffusion Models" di DeepLearning.AI. 13) Percorso di visione 3D (in crescita 2024+): pratica con NeRF + Gaussian Splatting con il framework Nerfstudio, cattura una tua scena con il telefono (app Polycam), ricostruiscila come 3DGS. 14) Pratica di deployment edge: converti un modello PyTorch → ONNX → TensorRT (su GPU NVIDIA), misura la latenza dell'inferenza. Prova la conversione in CoreML per Apple Silicon. 15) Portfolio di progetti personali: a) pipeline di rilevamento di livello produzione (ad es. demo di conteggio di pesci / veicoli / cellule); b) LoRA custom per Stable Diffusion / FLUX su uno stile tuo; c) ricostruzione con Gaussian Splatting (una bella scena 3D da un video del telefono); d) app mobile di CV (deploy tramite CoreML/TFLite). Documenta su GitHub + post sul blog + video demo. Corsi russi: MIPT DLSchool (modulo CV: gratuito su YouTube), percorso "Computer Vision" di Karpov.Courses, Otus "Computer Vision", SkillFactory CV, percorso AI Computer Vision di School21 (Sber). Internazionale (EN): Stanford CS231n (canonico: gratuito su YouTube), fast.ai Practical Deep Learning (CV inclusa), Hugging Face Computer Vision Course (gratuito), libro "Deep Learning for Computer Vision" di Mohamed Elgendy, PyImageSearch University (Adrian Rosebrock: taglio applicativo). Libri da leggere assolutamente: "Deep Learning for Vision Systems" di Mohamed Elgendy (Manning), "Multiple View Geometry" di Hartley / Zisserman (riferimento matematico), "Computer Vision: Algorithms and Applications" di Richard Szeliski (2ª edizione gratuita online: enciclopedico). Conferenze: CVPR (la principale: giugno), ICCV (ottobre, in alternanza con ECCV), ECCV (ottobre, in alternanza), NeurIPS (dicembre: ML più ampio con un percorso CV). Backend Senior / ML Engineer Middle + interesse per la CV + portfolio → CV Engineer Junior: 6-12 mesi. Dottorato in CV / Robotica → Senior CV Engineer: ingresso diretto.

Quante posizioni aperte contiene questo campione?

Il campione pubblicato contiene 303 posizioni aperte dopo aver raggruppato le ripubblicazioni. È lo stesso numero dell’indicatore principale. La sezione geografica descrive la copertura del campione; non è una stima dell’intero mercato.

Quali competenze servono a un Senior CV Engineer?

Un Senior CV Engineer gestisce l'intero ciclo dell'ingegneria della visione + leadership tecnica. Basi matematiche: algebra lineare + geometria proiettiva (modelli di camera / omografie / geometria epipolare) + analisi + teoria dell'ottimizzazione, al livello di «saper leggere i paper del CVPR senza saltare le parti matematiche». Python a fondo + livello Backend Senior: padronanza di async / typing / FastAPI / pytest. Basi di C++ (per il deploy edge + kernel OpenCV personalizzati: un plus). Padronanza approfondita di PyTorch + torchvision: Dataset / Sampler / Loss / training loop personalizzati, addestramento distribuito (DDP per l'addestramento CV multi-GPU), mixed precision (FP16 / BF16 obbligatori in produzione), gradient accumulation per i modelli grandi. Padronanza di OpenCV: operazioni di CV classica (calibrazione / morfologia / trasformate di Hough / omografia / stereo matching / optical flow), basi dell'API C++ per i percorsi critici per le prestazioni. Transformer moderni per la CV: padronanza di ViT / Swin / DINOv2, strategie di fine-tuning, architetture ibride CNN-transformer. Padronanza di object detection / segmentazione: deploy in produzione di Ultralytics YOLO + scrittura di architetture personalizzate su Detectron2 + MMDetection / MMSegmentation quando serve + RT-DETR + integrazione di SAM 2 nelle pipeline. Padronanza della data augmentation: albumentations avanzato (trasformazioni personalizzate + strategie di composizione), test-time augmentation (TTA), comprensione di AutoAugment / RandAugment / CutMix / Mixup. Foundation model: DINOv2 + CLIP + SigLIP + OpenCLIP: casi d'uso per estrazione delle feature + classificazione zero-shot + retrieval. LLM multimodali (GPT-4V / Claude vision / LLaVA / Qwen 2 VL / Molmo): quando usarli invece di addestrare un modello personalizzato. Padronanza della CV generativa (se il percorso la include): Stable Diffusion + FLUX a fondo: fine-tuning con ControlNet / LoRA / DreamBooth / IP-Adapter / textual inversion. Scrittura di workflow ComfyUI. Basi della generazione video (AnimateDiff / SVD). Padronanza della visione 3D (se il percorso la include): NeRF + Gaussian Splatting + Nerfstudio + COLMAP SfM + point cloud con Open3D. Calibrazione delle camere + geometria proiettiva a fondo. Padronanza del deploy edge: ONNX (export cross-framework + ottimizzazione di ONNX Runtime), TensorRT (NVIDIA: quantizzazione INT8 + sviluppo di plugin se necessario), CoreML (Apple Silicon: supporto delle operazioni Conv2D + specificità del Neural Engine), TFLite (delegate Android NNAPI), pipeline MediaPipe, OpenVINO (iGPU Intel). Ottimizzazione consapevole dell'hardware: quantizzazione (PTQ + QAT), pruning, distillazione (teacher-student), sparsità strutturata (NVIDIA Ampere+ per un'accelerazione di 2×). Architettura delle pipeline CV in produzione: progettare alla lavagna una pipeline end-to-end: acquisizione dei dati (camere / dischi / streaming dal cloud) → preprocessing → inferenza a batch → post-processing → tracking / aggregazione → azioni a valle. Sistemi multi-camera: sincronizzazione + calibrazione + fusione per guida autonoma / videosorveglianza. Serving dell'inferenza: Triton Inference Server (NVIDIA: il migliore per multi-modello + dynamic batching), DeepStream (video analytics NVIDIA), BentoML / TorchServe. Budget di latenza: progettare per vincoli in tempo reale (guida autonoma: 30+ FPS, AR: 60+ FPS, moderazione video: il batch va bene), ottimizzazione guidata dal profiling (NVIDIA Nsight + PyTorch Profiler). Competenza di dominio: comprensione profonda di uno o due domini (guida autonoma / imaging medico / ricerca visiva nel retail / percezione robotica / AR/VR / immagini satellitari / controllo qualità nella manifattura): il principale fattore di premio per Senior+. Strategia di annotazione: progettare workflow di annotazione su larga scala (CVAT / Label Studio + assistenza con SAM), cicli di active learning, controllo della qualità delle etichette. Metodologia di valutazione: comprensione profonda delle metriche COCO (AP / AP50 / AP75 / mAP@[.5:.95]), metriche di segmentazione (mIoU / Dice / boundary F1), metriche specifiche del dominio (NDS / mAP per la detection nella guida autonoma), valutazione human-in-the-loop per la generativa. Soft skill: scrittura di ADR per le decisioni architetturali nella CV, scrittura tecnica (documenti di progettazione delle funzionalità CV + bozze di paper se il percorso è di ricerca), collaborazione tra team (Product / Backend / Robotica / Hardware), mentoring dei CV Engineer Middle, disciplina nella lettura dei paper (CVPR / ICCV / ECCV / NeurIPS: da seguire per forza). Inglese OBBLIGATORIO per Senior+: community, documentazione, paper e conferenze della CV sono in inglese. Bonus facoltativi: contributi open source a Ultralytics / Detectron2 / MMDetection / timm / albumentations / Nerfstudio: aumentano nettamente il valore di mercato per le assunzioni CV nelle Big Tech / nei veicoli autonomi / nell'IA generativa. Paper ai workshop di CVPR / ICCV / ECCV: un premio per il percorso Research Engineer CV.

Lascia una richiesta

Descrivi l'attività e lascia un contatto: la richiesta arriva nel nostro CRM e rispondiamo al contatto che indichi.

Inviando, accetti la informativa sulla privacy.